Accélérer le diagnostic médical grâce à l'intelligence artificielle. Un rêve lointain ? Pas du tout. Des chercheurs québécois ont déjà réalisé des pas de géant dans le domaine en jumelant leurs efforts à ceux d'entreprises spécialisées.

La montréalaise Imagia a déjà plusieurs réalisations pour le démontrer. Cette PME d'une quarantaine d'employés souhaite accélérer le diagnostic en oncologie en automatisant l'analyse d'images grâce à des algorithmes d'apprentissage.« Présentement, plusieurs interventions humaines ralentissent le processus qui sépare l'examen du patient de son traitement », explique Alexandre Le Bouthillier, qui a cofondé Imagia en 2014 après que son père eut reçu un diagnostic de cancer.

« On pense accélérer ce processus en laissant la "machine" apprendre à analyser les images pour les associer à des profils génétiques spécifiques, et permettre de choisir éventuellement le meilleur traitement pour le patient », ajoute-t-il.

COLLABORATION

En collaborant notamment avec Yoshua Bengio et l'Institut des algorithmes d'apprentissage de Montréal (MILA), ainsi qu'avec une multitude de centres hospitaliers, Imagia a développé des programmes informatiques capables d'analyser des images pour non seulement identifier les tumeurs, mais aussi établir leur profil.

Pareille analyse s'effectue par exemple au cours d'une coloscopie. Le logiciel d'Imagia distingue en temps réel les polypes bénins de ceux qui méritent une analyse approfondie. « L'analyse inutile de polypes bénins coûte des millions aux gouvernements », souligne Alexandre Le Bouthillier.



Alexandre Le Bouthiller, cofondateur d'Imagia et Lisa Di Jorio, specialiste de l'apprentissage automatique chez Imagia. Photo : Olivier Jean, La Presse

Imagia a aussi mené un projet en collaboration avec le CHUM et laissé ses algorithmes apprendre à identifier et segmenter les tumeurs hépatiques à partir de simples images de tomodensitométrie.

Selon son cofondateur, cette capacité à distinguer rapidement le type de tumeur d'un patient non seulement accélérera sa prise en charge, mais servira aussi à mieux sélectionner les patients qui prendront part à des études cliniques.

DES ALGORITHMES QUI SCRUTENT LE SANG

Jacques Corbeil, professeur membre du Centre de recherche en données massives de l'Université Laval et spécialiste en maladies infectieuses et immunitaires, fait aussi partie de ceux qui s'attendent à ce que les algorithmes d'apprentissage accélèrent le diagnostic médical.

Jacques Corbeil, professeur membre du Centre de recherche en données massives de l'Université Laval et spécialiste en maladies infectieuses et immunitaires. Photo: CHUQ

Par l'entremise de son laboratoire et de son entreprise Genocean, il entend utiliser cette approche pour dépister les maladies infectieuses dans le sang, notamment le virus du Nil occidental et le Zika.

« Les techniques de dépistage actuelles permettent seulement de tester un petit nombre d'échantillons à la fois et demandent beaucoup de temps. On veut accélérer tout le processus», dit le professeur Corbeil.  

Mais pour apprendre, les algorithmes ont besoin de données. De beaucoup de données. Le chercheur a profité du programme Mitacs Converge pour s'associer à l'entreprise québécoise Phytronix et au géant américain Waters. Ensemble, ils ont mis de l'avant un projet de recherche basé sur l'analyse d'échantillons par spectroscopie de masse pour obtenir une banque de données susceptible de nourrir la bête. La spectroscopie de masse permet d'identifier indirectement et de quantifier des milliers de métabolites en quelques secondes.

« Au lieu de chercher des traces du pathogène directement, on laisse l'algorithme identifier les marqueurs de la réponse de l'hôte à ce pathogène, explique le spécialiste. Si vous êtes infecté par un virus, vous allez toujours présenter la même réaction. »

Après avoir comparé 10 000 échantillons de sang provenant d'une banque d'Héma-Québec, les algorithmes d'apprentissage de son groupe ont identifié une courte liste de marqueurs parmi un groupe de plus de 100 000.

Selon le chercheur, pareille approche, basée sur le jumelage de l'apprentissage automatique et de la spectroscopie de masse, non seulement servira à identifier les cas d'infection, mais trouvera aussi des applications en médecine spécialisée.

Son groupe y travaille déjà.